IXThinker·2025-04-22 14:00

元學習框架預測不對稱催化選擇性

手性化合物在醫藥和材料領域需求龐大，推動不對稱催化持續發展。研究人員提出一種基於元學習的工作流程，突破機器學習依賴大量實驗數據的限制，以少量樣本預測新反應結果，成果發表於《自然·通訊》。

少樣本預測

新方法從文獻數據中提取反應的共有特徵，僅需少量樣本即可預測全新反應的結果。針對過渡金屬催化的烯烴不對稱加氫（AHO）——高效獲取高純度手性分子的關鍵方法——該框架以原型網絡進行對映選擇性預測。